ShopX: 에이전트 기반 쇼핑에서의 의도-상품 연결을 위한 기초 모델

ShopX: A Foundation Model for Intent-to-Item Fulfillment in Agentic Shopping

AI 기반 애플리케이션의 발전으로 쇼핑은 페이지 및 피드 기반 탐색에서 벗어나 LLM 에이전트에 의해 관리되는 의도 중심적인 경험으로 진화하고 있습니다. 일반적인 설계는 기존 검색 및 추천 파이프라인에 LLM을 통합하여 복잡한 의도를 저대역폭 검색 또는 순위 인터페이스를 통해 처리하지만, 이로 인해 언어 이해와 상품 공간 연결 사이에 간극이 발생합니다. 생성형 추천은 LLM에게 의미 기반 ID(SID)를 통한 직접적인 상품 공간 인터페이스를 제공하지만, 기존 모델은 주로 검색 후보를 생성하는 데 사용되며, 유연한 의도를 상품 공간 결과로 변환하지 못합니다. 본 논문에서는 이러한 병목 현상을 해결하기 위해 ShopX를 제안합니다. ShopX는 의도 이해, 실행 계획 수립 및 유연한 SID 기반의 상품 공간 연산을 단일 기초 모델로 통합합니다. 우리는 ShopX를 에이전트 기반 쇼핑 워크플로우에 모델 자체의 상품 연결 프레임워크를 통해 구현하며, 이 프레임워크는 모델을 위한 동작 프로토콜을 정의하고 컨텍스트 접근, 카탈로그 정보 연동 및 상태 관리를 지원하는 인터페이스를 제공합니다. 이러한 프레임워크 내에서 ShopX는 SID 기반의 상품 공간 연산을 계획하고 조합합니다. 여기에는 SID 빔 검색, 목록 기반 순위 또는 제품 번들링 등이 포함됩니다. 이러한 모델 중심적인 설계는 에이전트 오케스트레이션과 상품 공간 실행 간의 정보 손실을 줄입니다. ShopX를 구축하기 위해, 우리는 의미적으로 복구 가능한 LLM 운영 가능 SID와 일반적인 LLM이 유연한 다중 턴 상품 공간 연결 작업을 수행할 수 있도록 하는 학습 방법을 설계했습니다. 또한 쇼핑 에이전트에 필요한 지식과 명령 수행 능력을 유지합니다. 우리는 익명화된 타오바오 생산 로그에서 추출한 단일 및 다중 턴 연결 작업에 대한 도구 기반 에이전트 시스템과의 비교 평가를 통해 ShopX 프레임워크의 성능을 검증했습니다. 그 결과, 모델 자체의 상품 연결은 전체 프레임워크 동작을 개선하며 특히 복잡하거나 모호한 요청에서 더욱 뛰어난 성능을 보였습니다.

The wave of AI-native applications is moving shopping beyond page- and feed-based browsing toward intent-driven experiences orchestrated by LLM agents. A common design wraps an LLM around existing search and recommendation pipelines, forcing complex intents through low-bandwidth retrieval or ranking interfaces and leaving a gap between language understanding and item-space fulfillment. Generative recommendation gives LLMs a direct item-space interface through semantic IDs (SIDs), but existing models mainly generate candidates for retrieval rather than translate flexible intents into item-space outcomes. We propose ShopX to address this bottleneck by unifying intent understanding, execution planning, and flexible SID-native item-space operations into a single foundation model. We deploy ShopX in agentic shopping workflows through a model-native item-fulfillment framework with a serving harness that defines a model-facing action protocol and exposes support surfaces for context access, catalog grounding, and state management. Within this framework, ShopX plans and composes SID-based item-space operations such as SID beam-search retrieval, listwise ranking, or product bundling. This model-centric design reduces lossy hand-offs between agent orchestration and item-space execution. To build ShopX, we design semantically recoverable, LLM-operable SIDs and a training recipe that equips a general LLM for flexible multi-turn item-space fulfillment while retaining the knowledge and instruction-following abilities needed by a shopping agent. We evaluate the ShopX framework against tool-mediated agentic systems on single- and multi-turn fulfillment tasks derived from anonymized Taobao production logs, showing that model-native fulfillment improves overall framework behavior, especially on complex or ambiguous requests.